在报告《风格轮动模型之五——消费非消费轮动的关键因子及其轮动效应分析》中，我们使用支持向量机回归模型（Support  Vector  Machine  Regression  Model）对消费与非消费组合中的赢家进行预测，在2007  年1  月起至今的36  期预测中，错误9  期，正确率达到75%。http://www.hibor.com.cn【慧博投研资讯】假设交易成本为单边0.5%，轮动策略的累计收益率达到172.5%，而同期海通综指涨幅为96.1%，沪深300  涨幅为75.2%，策略累计收益率为海通综指和沪深300  指数收益的1.80  和2.29  倍。http://www.hibor.com.cn（慧博投研资讯）可见，在覆盖市场大部分行业的前提下，海通消费/非消费轮动策略既能够获得较高的预测精度，超额收益也是颇为明显。
        下面我们简单回顾海通消费、非消费风格轮动模型的构建方法。
        1、消费/非消费类组合构建
        消费与非消费风格组合主要从狭义消费的角度即与居民消费的远近程度进行划分，首先我们根据行业与终端消费者距离的远近，对行业进行定性分类，消费类组合包括与消费者距离最近的一些行业，比如金融、商贸零售、生物医药、航空公司、汽车汽配等，而余下行业都属于非消费类组合。如此进行全市场行业划分有利有弊，有利的方面是风格轮动可以覆盖较多行业，对投资意义更大，而弊在于组合成分过于复杂，轮动模型的经济含义较难解释。
        在得到定性分类后，我们发现，两个组合中成分都比较复杂，有些行业的消费属性不明显，与组合中其他成分相关度极低，如果这些行业权重又比较大，就会削弱整个组合的风格，进而影响模型预测精度，因此我们通过分层结构和最小生成树的方法对组合中各成分之间的相关性进行度量，剔除相关度过低的行业。
        我们剔除行业的主要依据是组合内各行业指数之间的收益相关性。首先计算各行业月度收益的相关性，然后通过最小生成树分别对消费和非消费组合内部行业相关度进行刻画，如果在组合内有部分行业与其他行业的相关性都很低，则考虑剔除。对消费类组合和非消费类组合的最小生成树进行分析后，我们从消费类行业中剔除通讯服务和金融行业，最终确定两大组合的具体成分，见下表。